I.14Автоматизация процессов и AI-агенты

Модель lucio/xls-r-uzbek-cv8 — система автоматического распознавания узбекской речи, созданная дообучением facebook/wav2vec2-xls-r-300m на узбекской части Mozilla Common Voice 8.0. Она построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; модель принимает аудио и преобразует речь в текст на современном латинском письме узбекского языка. Декодер использует языковую модель KenLM, построенную на текстах Common Voice. Модель предназначена для черновых субтитров к видео и индексирования записанных передач. На валидационной выборке указаны WER 0,3852 и CER 0,0777; автор предупреждает, что качество недостаточно для надёжных субтитров в реальном времени, например для обеспечения доступности. Модель выпущена под лицензией Apache-2.0.

YamshadowStrangemerges_32_Inex12Strangemerges_32 — объединённая модель для генерации текста, созданная путём слияния моделей automerger/YamshadowStrangemerges_32-7B и automerger/Inex12Strangemerges_32-7B. Она построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста с контекстом до 32 768 токенов. Веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Доступные сведения не описывают специализацию модели или её конкретные ограничения.

Zephyr-7B-β — разговорная языковая модель из серии помощников Zephyr, разработанная HuggingFaceH4. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, дообученная на Mistral-7B-v0.1 методом Direct Preference Optimization (DPO) на синтетических диалогах и предпочтениях ответов. Она принимает текст и генерирует текст; основной язык — английский. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалогового помощника: она отвечает на вопросы, следует инструкциям и поддерживает многошаговый чат. В опубликованных при выпуске оценках она показывала сильные результаты среди открытых моделей сопоставимого размера, но заметно уступает более крупным системам в сложных задачах программирования и математики. В карточке указано, что модель не прошла этап выравнивания безопасности в RLHF и может выдавать проблемный контент, в том числе по соответствующему запросу. Лицензия — MIT.

zephyr-orpo-141b-A35b-v0.1-GGUF — это набор GGUF-квантизаций текстовой языковой модели zephyr-orpo-141b-A35b-v0.1, разработанной HuggingFaceH4 и квантованной bartowski с использованием llama.cpp. В качестве базовой модели указана mistral-community/Mixtral-8x22B-v0.1; обучение выполнено методом ORPO на датасете argilla/distilabel-capybara-dpo-7k-binarized. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с системными и пользовательскими сообщениями через специальный chat-шаблон. Поддерживается текстовая модальность, однако сведения о языках и размере контекста в README не указаны. Доступны варианты квантования от Q2_K до Q5_K_M, включая K- и I-квантизации, с размером файлов примерно от 52,10 до 99,96 ГБ. Q5_K_M и Q5_K_S заявлены как высококачественные, Q4-варианты — как обеспечивающие хороший баланс качества и объёма, а варианты ниже Q4 экономят память ценой снижения качества. I-квантизации могут быть предпочтительнее для некоторых конфигураций cuBLAS и rocBLAS, но несовместимы с Vulkan; выбор зависит от доступных RAM и VRAM. Для запуска требуется загрузить все части выбранного файла. В README указана лицензия Apache-2.0.

Это квантованная в формате GGUF BF16 версия ai-sage/GigaChat3-702B-A36B-preview-bf16, подготовленная DevQuasar. Модель предназначена для генерации текста в диалоговом режиме и может использоваться в чат-приложениях и локальных средах, поддерживающих GGUF. Размер модели, поддерживаемые языки и длина контекста в предоставленных сведениях не указаны. Лицензия также не приведена, поэтому условия использования следует проверять в репозитории базовой модели и самой модели.

Asur4N/Apodex-1.0-mini-mlx-fp16 — конвертированная в формат MLX версия диалоговой модели apodex/Apodex-1.0-mini. README указывает, что конверсия выполнена с помощью mlx-lm 0.31.2; метаданные описывают модель как дообученную на базе Qwen3.5-35B-A3B модель семейства Qwen 3.5 MoE с поддержкой чата и генерации текста. Она предназначена для диалоговой генерации, глубокого исследования, поиска информации и работы с инструментами. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель ориентирована на английский и китайский языки. Данных о размере этой версии и длине контекста в предоставленных источниках нет. MLX-конверсия рассчитана на запуск в экосистеме MLX; доступные материалы не приводят результатов оценки качества или дополнительных ограничений.

Arabic-labse-Matryoshka — модель Sentence Transformer от Omartificial-Intelligence-Space, дообученная на базе sentence-transformers/LaBSE на наборе арабских NLI-триплетов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 256 токенов; метаданные сообщают контекст до 512 токенов. Модель использует архитектуру BERT, библиотеку Sentence Transformers и косинусное сходство; матрёшечное обучение позволяет получать эмбеддинги разной размерности. Веса содержат около 498,1 млн параметров. Модель ориентирована на арабский язык и обучалась на датасете из 557 850 троек «якорь — положительный пример — отрицательный пример». README приводит результаты оценки семантического сходства на нескольких размерностях эмбеддингов. Веса распространяются по лицензии Apache-2.0. Поскольку обучение и карточка сосредоточены на арабских текстах, качество для других языков и специализированных предметных областей не подтверждено приведёнными данными.

win10/ArliAI-RPMax-v1.3-merge-8B — диалоговая языковая модель, созданная автором репозитория слиянием предварительно обученных моделей с помощью mergekit и метода TIES. В качестве базовой указана Magpie-Align/MagpieLM-8B-Chat-v0.1; в слияние также включена ArliAI/Llama-3.1-8B-ArliAI-RPMax-v1.3. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате; поддерживает контекст до 131 072 токенов. Для загрузки используется Transformers, веса опубликованы в формате safetensors. Карточка базовой модели указывает на диалоговое выполнение инструкций и генерацию ответов на английском языке. Модель подойдёт для чат-ботов и генерации ответов на запросы. Карточка не описывает лицензию, дополнительные гарантии качества или специфические ограничения, поэтому условия использования следует сверить с лицензиями исходных моделей и полной карточкой репозитория.

Aleteian/Avalon — объединённая автором модель семейства Mistral, созданная с помощью mergekit методом della на основе win10/Mistral-Nemo-abliterated-Nemo-Pro-v2 с включением нескольких моделей Mistral Nemo. Модель содержит 12,1 млрд параметров и предназначена для генерации текста и диалогового общения. Её можно применять для ведения беседы и создания текстовых ответов. В метаданных также заявлен интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Указанное в метаданных окно контекста — 1 024 000 токенов. В README не описаны результаты оценки качества или конкретные ограничения. Лицензия в предоставленных сведениях отсутствует.

Baichuan-7B — открытая предварительно обученная языковая модель компании Baichuan Intelligent Technology. Это плотная авторегрессионная модель на архитектуре Transformer с 6,7 млрд параметров по метаданным (в карточке указано около 7 млрд), обученная примерно на 1,2 трлн токенов. Она предназначена для генерации текста и последующего дообучения под прикладные задачи. Модель поддерживает китайский и английский языки, использует контекстное окно длиной 4096 токенов и включает rotary embeddings, SwiGLU и RMSNorm. Разработчик сообщает о результатах на китайских и англоязычных тестах, включая C-Eval и MMLU, и отмечает оптимизацию для китайского языка. Модель может применяться для генерации и продолжения текста, а также как основа для дообученных решений. Лицензия Baichuan-7B License допускает коммерческое использование согласно карточке модели. Возможны фактические ошибки и предвзятые, оскорбительные или непристойные ответы; для значимых решений выводы следует проверять.

BengaliSBERT — модель Sentence-BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на BengaliBERT и дообучена на наборе данных NLI для получения представлений предложений на бенгальском языке. Модель предназначена для вычисления эмбеддингов и оценки семантического сходства предложений; её можно использовать для поиска похожих фраз и сравнения текстов. Архитектура — BERT, размер — 264,8 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса PyTorch и лицензия CC BY 4.0. README упоминает отдельную более качественную модель сходства на основе этого чекпойнта, поэтому эту модель не следует считать лучшим вариантом семейства для оценки сходства.

bge-large-zh-v1.5-gguf — набор моделей для получения текстовых эмбеддингов в формате GGUF, подготовленный Compendium Labs на основе исходной модели BAAI/bge-large-zh-v1.5. Модели предназначены для работы через llama.cpp, llama-cpp-python и интеграцию LangChain, а также для сценариев семантического поиска, сравнения текстов, кластеризации и других задач, использующих векторные представления текста. Доступны варианты F32 размером 1,3 ГБ, F16 размером 620 МБ, Q8_0 размером 332 МБ и Q4_K_M размером 193 МБ. Квантизация может обеспечить ускорение на CPU до 30% при минимальной потере точности; для GPU преимущество заявлено как умеренное. Модель ориентирована на китайскоязычные тексты, однако другие характеристики, включая архитектуру, размерность эмбеддингов и максимальную длину контекста, в README не указаны. Сильные стороны — поддержка llama.cpp, несколько вариантов точности и возможность эффективного запуска на CPU. Ограничения связаны с тем, что это модель эмбеддингов, а не генеративная языковая модель, и что в представленных данных отсутствуют подробности о качестве на конкретных наборах данных и поддерживаемых языках помимо указания zh в названии. Распространение осуществляется по лицензии MIT.

bruphin-lambda — диалоговая языковая модель на архитектуре Mistral, созданная nbeerbower с помощью слияния SLERP через mergekit. Она объединяет chihoonlee10/T3Q-Mistral-Orca-Math-DPO и nbeerbower/bruphin-kappa и предназначена для генерации текста в формате диалога. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors; модель распространяется по лицензии Apache-2.0. В карточке не приведены сведения о языках, специальных доменах или сравнительных оценках качества.

MaziyarPanahi/calme-2.8-qwen2-7b — дообученная Maziyar Panahi чат-модель на архитектуре Qwen2 с 7,1 млрд параметров. Она предназначена для диалоговой генерации текста и улучшения ответов базовой Qwen2-7B; в карточке приведены результаты оценки на нескольких бенчмарках. Модель использует шаблон запросов ChatML, работает с текстом и рассчитана на контекст до 131 072 токенов. Модель подходит для создания чат-ботов, ответов на вопросы и генерации текста на английском языке. В качестве данных для дообучения указаны HelpSteer2, OpenHermes-2.5, Orca Math Word Problems и SlimOrca. Доступны веса в формате safetensors; лицензия — Apache-2.0. Результаты бенчмарков не гарантируют качество в конкретном применении.

CalmeInex12-7B — автоматически объединённая Maxime Labonne модель семейства Mistral для генерации текста и диалогового использования. В конфигурации mergekit применён метод dare_ties к Calme-7B-Instruct-v0.1.1 и MSL7/INEX12-7b; в метаданных базовой моделью указан MSL7/INEX12-7b. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors, а длина контекста составляет до 32 768 токенов. Модель подходит для чат-ответов и генерации текста по запросам. Лицензия — Apache-2.0. Карточка не описывает языковую специализацию или результаты оценки качества.

CamemBERTa-L4 — компактная обрезанная версия предварительно обученного чекпойнта CamemBERTa, представленная Antoine Louis. Веса получены удалением верхних слоёв исходной модели; в репозитории указана архитектура DeBERTa-v2 и 62,3 млн параметров. Модель принимает текст, а контекст ограничен 512 токенами. Чекпойнт предназначен прежде всего для дообучения под задачи, где решение опирается на целое предложение: классификацию текста, извлечение ответа на вопрос и семантический поиск. Его также можно использовать для извлечения признаков и masked language modeling; для генерации текста автор рекомендует авторегрессионные модели. Модель рассчитана на французский язык. Репозиторий распространяется по лицензии MIT.

HiTZ/cap-punct-es — модель центра HiTZ при Университете Страны Басков UPV/EHU для восстановления заглавных букв и пунктуации в испанском тексте. Она обучена с нуля на базе Marian NMT на корпусе примерно из 9,8 млн предложений. Архитектура — MarianMTModel, размер — 41,6 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст без регистра и пунктуации и возвращает восстановленный текст. Модель предназначена для обработки испанских предложений, в том числе распознанной речи и текста, в котором при подготовке удалили регистр и знаки препинания. В оценках на подвыборках FLORES-101 и Common Voice модель снизила WER с 19,55% до 5,99% и с 22,42% до 5,75% соответственно. Лицензия — Apache 2.0. Результаты зависят от соответствия входного текста обработке, использованной при обучении; разработчики также отмечают возможные смещения и нежелательные искажения.

ChatGLM-6B-INT4-QE-Slim — компактная по потреблению памяти версия диалоговой модели ChatGLM-6B, подготовленная командой THUDM. Она создана на основе ChatGLM-6B-INT4-QE: из словаря удалены 20 тысяч зарезервированных токенов изображений, которые не используются текстовой моделью. Остальная структура и заявленное качество сохранены, а при инференсе и дообучении требуется меньше памяти и вычислений для выходных логитов. Модель основана на архитектуре GLM и содержит 8,1 млрд параметров по метаданным; в README базовая ChatGLM-6B указана как модель с 6,2 млрд параметров. Весовые блоки, эмбеддинги и LM Head квантизованы до INT4. Модель рассчитана на диалог и ответы на вопросы на китайском и английском языках, а также может использоваться для извлечения признаков. README сообщает, что для INT4-инференса достаточно примерно 6 ГБ видеопамяти или оперативной памяти при запуске на CPU. Код распространяется по Apache-2.0, но для использования весов необходимо соблюдать отдельную лицензию модели. Указанная в README экономия памяти относится к удалению неиспользуемой части словаря; конкретные результаты и совместимость зависят от аппаратуры и программных зависимостей.

win10/ChatML-Nemo-Pro-model_stock — объединённая языковая модель, созданная с помощью mergekit методом Model Stock на основе win10/ChatML-Nemo-Pro. Модель использует архитектуру Mistral с плотной причинной языковой сетью и содержит 12,1 млрд параметров. Она предназначена для генерации текста и диалогового общения в формате ChatML. Модель принимает текст и выдаёт текст. В метаданных указан контекст длиной до 1 024 000 токенов и библиотека Transformers. README не приводит список дополнительных моделей, участвовавших в слиянии, поэтому состав объединения помимо базовой модели определить нельзя. Лицензия в предоставленных данных не указана.

Codetulu 2 13B — англоязычная модель-помощник, разработанная AllenAI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на базе codellama/CodeLlama-13b-hf на смеси общедоступных, синтетических и созданных людьми инструкций и диалогов Tulu V2. Модель работает с текстом и поддерживает контекст до 8192 токенов. Модель предназначена для генерации ответов на инструкции и ведения диалогов, а также может использовать возможности базовой CodeLlama при работе с кодом. Для генерации следует подавать текст в формате, описанном в карточке модели, включая завершающий перевод строки. Модель преимущественно рассчитана на английский язык. Модель выпущена под лицензией AI2 ImpACT Low-risk. В карточке отмечено, что модель не прошла выравнивание безопасности на этапе RLHF и не использует фильтрацию ответов во время работы, поэтому может выдавать проблемный контент, особенно в ответ на соответствующие запросы.

ColQwen3-VL-Embedding-2B-vdr — мультимодальный многовекторный энкодер, дообученный авторами tomaarsen на базе Qwen/Qwen3-VL-Embedding-2B с использованием Sentence Transformers и набора llamaindex-vdr-en-train-preprocessed из 10 000 примеров. Модель преобразует текст, изображения и видео в последовательности 128-мерных векторов на уровне токенов и оценивает соответствие запросов и документов методом позднего взаимодействия MaxSim. Модель предназначена прежде всего для семантического поиска по визуальным документам и другим мультимодальным данным: она сопоставляет текстовые запросы с изображениями, сохраняя отдельные векторы для токенов вместо сведения всего ввода к одному вектору. Заявленная максимальная длина последовательности — 262 144 токена. В README приведены результаты оценки на vdr-eval-hard, включая maxsim_accuracy@1 0,8467 и maxsim_accuracy@5 0,98. Модель использует библиотеку Sentence Transformers и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

Crazy-Qwen2-7b — объединённая модель на основе Qwen2-7B, созданная с помощью mergekit. В состав слияния вошли Locutusque/Hercules-5.0-Qwen2-7B, natong19/Qwen2-7B-Instruct-abliterated и macadeliccc/Samantha-Qwen-2-7B; использован метод model_stock, а в конфигурации базовой модели указана natong19/Qwen2-7B-Instruct-abliterated. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и рассчитана на генерацию текста и диалоговое общение. Размер контекста — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Метаданные описывают модель как экспериментальную модификацию Qwen2-7B-Instruct для диалогов и генерации текста с ослабленными направлениями отказа; это может снижать надёжность отказов на чувствительные запросы.

Модель fyaronskiy/deberta-v1-base-russian-go-emotions разработана на основе deepvk/deberta-v1-base и дообучена для распознавания эмоций в русскоязычных текстах. Это энкодер DeBERTa с классификационной головой; модель содержит 151,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель выполняет многометочную классификацию по 27 категориям эмоций из набора ru_go_emotions: она может выделять несколько эмоций в одном тексте или проверять наличие конкретных эмоций. Пороговые значения для классов подобраны на валидационной выборке с максимизацией macro F1. Качество заметно различается между категориями: в карточке отмечены хорошие результаты для amusement, gratitude и fear, а распознавание relief и realization даётся модели сложнее. Модель распространяется по лицензии MIT.

Xenova/distiluse-base-multilingual-cased-v2 — веб-совместимая версия модели sentence-transformers/distiluse-base-multilingual-cased-v2, подготовленная сообществом Xenova. Модель распространяется с весами в формате ONNX для использования через библиотеку Transformers.js в JavaScript-среде. Она предназначена для извлечения признаков из текста, то есть преобразования текстовых фрагментов в векторные представления. Такой режим может применяться в задачах семантического сравнения и поиска, однако README не содержит подробностей о поддерживаемых языках, размере модели, архитектуре, длине контекста, качестве, модальностях или ограничениях. Указано только, что модель является мультиязычной и используется в пайплайне feature-extraction. Для работы требуется библиотека @huggingface/transformers; веса ONNX обеспечивают совместимость с Transformers.js. Лицензия и условия коммерческого или иного использования в README не указаны.

Dorna-Llama3-8B-Instruct — диалоговая модель семейства Dorna, разработанная Part AI на основе Meta Llama 3 Instruct и дообученная на персоязычных данных. Это декодерная модель с 8 млрд параметров для генерации ответов и ведения диалога; поддерживает персидский и английский языки. Модель предназначена для ответов на вопросы, генерации кода и длинных ответов, математических задач, работы с новостными вопросами, перефразирования, общих знаний и суммаризации. В README приведены результаты человеческой и автоматической оценки на этих категориях, однако они не гарантируют качество для каждого запроса. Для запуска описан сценарий инференса через Transformers Auto и функцию generate(). Модель распространяется по лицензии Llama 3 (llama3); перед использованием следует учитывать её условия.

Karmelkke/everycli-minilm-ft — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, созданная для представления предложений и абзацев в виде плотных векторов. Она использует архитектуру BERT с усредняющим pooling, содержит 124,3 млн параметров и выдаёт эмбеддинги размерности 384; сходство между ними можно оценивать косинусной мерой. Модель обучена на 1 104 парах текстов с помощью MultipleNegativesRankingLoss и подходит для поиска релевантных фрагментов. Её можно применять для семантического поиска и сопоставления запросов с описаниями, в том числе по командам и справочным материалам EveryCLI. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 128 токенов; для практического использования следует учитывать ограничение самой модели в 128 токенов. Она принимает и обрабатывает текст, а на выходе возвращает векторы. Мультиязычная базовая модель поддерживает разные языки; примеры обучающих пар включают французский и английский. Лицензия в предоставленных источниках не указана.

MaziyarPanahi/Experiment28M7_Experiment26Strangemerges_30 — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием automerger/Experiment28M7-7B и automerger/Experiment26Strangemerges_30-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые ответы. Модель поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специальную предметную область или дополнительные возможности модели.

MaziyarPanahi/Experiment28M7_ShadowYam — объединённая модель на архитектуре Mistral, созданная на основе automerger/Experiment28M7-7B и automerger/ShadowYam-7B. Она предназначена для генерации текста и может использоваться в диалоговых и текстовых приложениях.

MaziyarPanahi/Experiment28M7_T3qm7xExperiment26 — объединённая методом SLERP модель семейства Mistral для генерации текста. Она создана на основе automerger/Experiment28M7-7B и automerger/T3qm7xExperiment26-7B и содержит 7,1 млрд параметров. Модель принимает текстовые запросы и генерирует текст; контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Карточка не уточняет специализацию по языкам или прикладным областям. Лицензия — Apache-2.0.

Experiment28T3q_YamExperiment24 — объединённая модель MaziyarPanahi на архитектуре Mistral для генерации текста. Она создана слиянием automerger/Experiment28T3q-7B и automerger/YamExperiment24-7B; размер составляет 7,1 млрд параметров, веса опубликованы в формате safetensors. Модель принимает текст и рассчитана на контекст до 32 768 токенов. Её можно использовать для генерации продолжений и ответов на текстовые запросы. README не описывает специализированные сценарии или языки, поэтому назначение следует считать общим. Модель распространяется по лицензии Apache-2.0.